Jul, 2024

医学图像分割：从 UNet 到 Res-UNet 和 nnUNet

PDF
TL;DR对 UNet、Res-UNet、Attention Res-UNet 和 nnUNet 等深度学习模型进行比较分析，并评估它们在脑肿瘤、息肉和多类心脏分割任务中的性能。研究重点关注精确度、准确度、召回率、Dice 相似系数 (DSC) 和 IoU 系数，以评估它们在临床应用中的适用性。nnUNet 在多个领域表现出优异的表现，特别是在脑肿瘤分割和心肌分割方面，被证明是最有效的模型。
发现论文，激发创造
  • UNet 及其变体在医学图像分割中的性能分析

    通过探索深度学习模型在医学图像分割中的应用，特别关注 UNet 架构及其变体，本研究评估了这些模型在各种挑战性医学图像分割任务中的表现，并通过解决图像标准化、调整大小、架构选择、损失函数设计和超参数调整等问题来获取结果。研究结果显示，经过深层网络层扩展的标准 UNet 是一种精湛的医学图像分割模型；而 Res-UNet 和 Attention Res-UNet 架构在处理精细图像细节时表现出更平滑的收敛和卓越的性能。此外，本研究还着重解决高类别不平衡问题，通过精心预处理和定义损失函数来处理。我们预期本研究结果将为希望将这些模型应用于新的医学成像问题的研究人员提供有用的见解，并为其实施提供指导和最佳实践。

    Sep, 2023

  • 深度神经网络在 PET / CT 图像中检测和量化淋巴瘤病变的全面评估与洞察

    本研究通过对四种神经网络架构（UNet、SegResNet、DynUNet 和 SwinUNETR）在 PET/CT 图像中进行淋巴瘤病变分割的全面评估，并在多种机构的 611 个病例的多样化数据集上进行训练、验证和测试。利用内部测试和未见的外部测试集，评估了分割准确性、临床相关性和算法的稳定性。

    Nov, 2023

  • ResUNet++：一种用于医学图像分割的先进架构

    该研究提出了一种改进的 ResUNet 架构，用于实现结肠镜图像分割，实验结果表明，ResUNet ++ 在公共数据集上表现出色，具有显著的性能优势。

    Nov, 2019

  • 训练和比较 nnU-Net 和 DeepMedic 方法用于儿童脑肿瘤自动分割

    通过多机构儿童专用多参 MRI 扫描数据训练，我们比较了两种基于深度学习的三维分割模型，即 DeepMedic 和 nnU-Net，在脑肿瘤分割方面的性能，结果显示儿童专用数据训练的 nnU-Net 模型在整个肿瘤及亚区域分割方面优于 DeepMedic。

    Jan, 2024

  • 基于注意力机制残差双 U-Net 的医学图像分割

    提出了一种名为 AttResDU-Net 的基于注意力机制的残差双 U-Net 架构，旨在提高医学图像分割的效率，以实现自动肺癌和皮肤癌的快速准确诊断。

    Jun, 2023

  • RA-UNet：一种用于提取 CT 扫描中肝脏和肿瘤的混合深度关注网络

    提出了一种名为 RA-UNet 的三维残差关注分割方法，可精确提取肝脏感兴趣体积并从该体积分割肿瘤。结果表明，该架构在肝肿瘤分割任务上胜过其他最先进的方法，并在脑肿瘤分割任务上取得良好的性能表现。

    Nov, 2018

  • 改进医学图像分割中的 U-Net 变体的混合方法

    这篇研究论文的主要内容是关于医学图像分割，重点介绍了深度学习方法，包括 MultiResUNet 和 Attention U-Net 等变种，并探讨了使用深度分离卷积来减少网络参数需求的可行性。

    Jul, 2023

  • MultiResUNet：重新思考 U-Net 架构的多模态生物医学图像分割

    本论文提出了一种改进 U-Net 模型的多分辨率结构 MultiResUNet，相较于理想情况下的图像，在处理挑战性医学图像方面实现了显著的性能提高，此提升在五种不同的医学图像数据集中分别达到了 10.15％，5.07％，2.63％，1.41％和 0.62％的相对改进。

    Feb, 2019

  • 基于 U-Net 的循环残差卷积神经网络（R2U-Net）用于医学图像分割

    本文介绍了一种基于 U-Net 的循环卷积神经网络（RCNN）基础上的模型 RU-Net 和基于 U-Net 的循环残差卷积神经网络（RRCNN）基础上的模型 R2U-Net。这些模型在医学图像分割任务中表现出优异的性能，比 U-Net 和 ResU-Net 等等同网络参数的模型表现更好。

    Feb, 2018

  • ResUNet-a：用于遥感数据语义分割的深度学习框架

    本文提出了一种基于 ResUNet-a 深度学习架构和 Dice 损失函数的可靠框架，用于进行单时相高分辨率航空图像的语义分割，并对多种广义 Dice 损失函数进行了性能分析和介绍了一种新的变异损失函数，该模型在 ISPRS 2D Potsdam 数据集上的平均 F1 分数为 92.9％，在所有类别方面均达到了最新性能。

    Apr, 2019